在解决理论和实际应用中的多变量优化问题时，许多智能优化算法存在收敛速度较慢或容易陷入局部最优的缺陷。由于人工蜂群算法具有设置参数少、收敛速度快和鲁棒性强等优点，因此它已在函数、组合优化以及工程领域等方面得到了广泛的应用。人工蜂群算法却容易陷入局部极值点，为了改善人工蜂群算法的缺点，有学者结合量子理论提出了量子人工蜂群算法。量子人工蜂群算法的优化效果比人工蜂群算法有了很大的改善，但是它的量子态是在实数域Hilbert空间平面单位圆周上的描述，只有一个参变量，没有充分发挥它的量子特性，与理想的效果还有一定的差距。本文以解决多变量优化问题为例，提出一种基于Bloch球面坐标编码的量子人工蜂群算法。BQABC算法采用的是量子位的Bloch球面坐标对ABC算法中的食物源进行编码，编码过后的每个食物源对应于优化问题解空间中的三个可行解。这种编码方式使得优化问题的全局最优解数量得到极大扩充，而BQABC算法在扩大的搜索空间中也显著提高了获得最优解的概率。通过量子旋转门调整量子位的相位实现BQABC算法的搜索操作。当按照近似等球面积的搜索方式进行搜索时，两个旋转相位的大小近似成反比例关系。这避免了采用固定相位旋转的不均等性，使搜索过程呈现出规律性。通过两个典型实例的验证，该算法在搜索能力和优化效率方面都优于QABC算法以及ABC算法。文中的最后把量子理论和神经网络相结合，在相关的量子神经网络的理论知识之上，提出了一种混合的量子神经网络模型。通过两个实例验证了它的有效性，并且在优化效果方面优于普通的BP神经网络。